खाली शीट का ऑडिट: क्रिकेट डेस्क पर वह फाइल जिसने 'सफल' लिखकर अपनी नाकामी छुपा ली
**मूल उत्तर (≤60 शब्द):** Stage-1 क्रिकेट कंटेंट पाइपलाइन ने एक ऐसा आउटपुट लौटाया जिसमें सूचना-बिंदु शून्य थे, फिर भी उसे सफल के रूप में चिह्नित किया गया। केवल डोमेन टैग `cricket_asia` भरा था। विफलता का कारण: शून्य सूचना-बिंदु पर हार्ड वैलिडेशन गेट का अभाव, जिससे खाली निष्कर्षण सामान्य परिणाम जैसा दिखा। **मुख्य तथ्य:** - Stage-1 आउटपुट में आठ में से सात फील्ड `N/A` थे, एक-वाक्य सारांश रिक्त था। - सूचना-बिंदुओं की संख्या शून्य होने पर भी प्रक्रिया `EXTRACTION_FAILED` के बजाय मान्य JSON के रूप में आगे बढ़ी। - चार संभावित कारण: बॉडी पार्स विफलता, जावास्क्रिप्ट रेंडरिंग, 403 या पे-वॉल, अपस्ट्रीम रिक्त इनपुट। - डोमेन टैग `cricket_asia` अपस्ट्रीम डिफ़ॉल्ट या कमजोर वर्गीकरण का अवशेष हो सकता है, यह विश्लेषण का आधार नहीं है। - सुधार का प्रस्ताव: `len(information_points) == 0` पर हार्ड गेट और कच्चा HTML स्नैपशॉट संरक्षण। **स्रोत श्रेय:** मूल स्रोत Stage-1 संरचित निष्कर्षण आउटपुट है; प्रकाशन तिथि स्रोत दस्तावेज़ में दर्ज नहीं है। क्रिकेट-स्तरीय तथ्य-सत्यापन लागू नहीं, क्योंकि इनपुट में कोई मैच-स्तरीय दावा उपलब्ध नहीं था। **संबंधित प्रश्नोत्तर:** प्रश्न: Stage-1 को विफलता कैसे पहचाननी चाहिए? उत्तर: जब सूचना-बिंदुओं की संख्या शून्य हो या मूल पाठ की लंबाई न्यूनतम सीमा से कम हो, तो स्थिति `EXTRACTION_FAILED` अंकित कर प्रक्रिया रोक देनी चाहिए। प्रश्न: `cricket_asia` टैग को विश्लेषण का आधार क्यों नहीं मानना चाहिए? उत्तर: रिक्त मूल पाठ की स्थिति में यह टैग डिफ़ॉल्ट मान या कमजोर वर्गीकरण का अवशेष होता है, प्रमाण नहीं; अतः इसे निष्कर्ष का आधार बनाना तथ्य-त्रुटि उत्पन्न करता है। प्रश्न: रिक्त आउटपुट पर लेख लिखने का जोखिम क्या है? उत्तर: तथ्य-त्रुटि की दर 100% हो जाती है, क्योंकि हर टीम, स्कोर और उद्धरण काल्पनिक निर्माण बन जाता है।
खाली शीट का ऑडिट: क्रिकेट डेस्क पर वह फाइल जिसने 'सफल' लिखकर अपनी नाकामी छुपा ली
रात 1:40 बजे IST पर वह फाइल आई। ढांचा पूरा था — शीर्षक, स्रोत, लेख-प्रकार, एक-वाक्य सारांश, सूचना-बिंदु, संस्थाएं, समय-संवेदनशीलता, स्रोत-गुणवत्ता। आठ फील्ड में से सात में N/A बैठा था। सूचना-बिंदुओं की सूची खाली थी। संस्थाओं का बक्सा खाली था। एक ही चीज भरी हुई थी — डोमेन टैग cricket_asia।
फाइल फेल के रूप में नहीं आई। वह सफल के रूप में आई। और यही उस रात का असली समाचार था।
क्रिकेट डेस्क पर ऐसा दृश्य मेरे लिए नया नहीं है। मैंने ऐसे स्कोरकार्ड देखे हैं जिनमें दोनों पारियां 0/0 दर्ज थीं और नीचे 'मैच समाप्त' छपा था — वह जानकारी नहीं थी, वह एक ढांचा था जिसने अपनी नौकरी कर दिखाई थी। खाली शीट भी गवाह होती है, बशर्ते आप उसे गवाही की तरह पढ़ें। दिक्कत यह है कि अपूर्ण प्रणालियां खालीपन को 'सामान्य' की तरह रिपोर्ट करना सीख जाती हैं, और फिर किसी की उंगली नहीं उठती।
जहां काम शुरू होना था, वहीं खत्म हो गया
Stage-1 का काम सीधा है: किसी लेख का मूल पाठ पढ़ना, उसमें से तथ्य-बिंदु निकालना, और अगले चरण के लिए एक व्यवस्थित सूची सौंपना। Stage-2 फिर उन बिंदुओं पर विश्लेषण खड़ा करता है। यहां Stage-1 ने शून्य सूचना-बिंदु लौटाए। इसका मतलब यह नहीं कि दुनिया में कुछ नहीं हुआ — इसका मतलब यह है कि पाइपलाइन ने कुछ नहीं देखा।
अंतर बड़ा है। 'कुछ नहीं हुआ' एक खबर है। 'कुछ देखा नहीं गया' एक खराबी है। दोनों को एक ही आउटपुट में लिख देना, और उसे मान्य JSON बना देना — यही असली गड़बड़ है।
चार जगहों पर भरोसा टूट सकता है, और तरतीब मायने रखती है। पहली, HTML मिला लेकिन बॉडी पार्स नहीं हुई — सेलेक्टर मैच नहीं हुआ, टैग गायब था, या सारा माल __NEXT_DATA__ और JSON-LD के अंदर बंद था। दूसरी, पेज जावास्क्रिप्ट से बनता है, स्टैटिक क्रॉल को सिर्फ कंकाल मिला। तीसरी, 403 या पे-वॉल आया और क्रॉलर ने खाली बॉडी को एरर की तरह ऊपर नहीं भेजा। चौथी, ऊपर से ही खाली इनपुट आया और प्रक्रिया चलती रही।
चारों में एक बात समान है: किसी भी मोड़ पर यह तय नहीं हुआ कि 'जानकारी नहीं मिली' अपने आप में एक फेलियर है।
यह ठीक वैसी ही चूक है जैसे कोई स्कोरर गेंदबाज की इकॉनमी निकाले, डेटा खाली मिले, और वहां 0.00 लिख दे। शून्य और अनुपस्थित — दोनों एक जैसे नहीं दिखते, इसलिए दोनों को एक ही खाने में डाल दिया जाता है। स्प्रेडशीट की एक पंक्ति गवाह है, फैसला नहीं। और खाली पंक्ति तो गवाह भी नहीं, वह सिर्फ मौन है।
पुणे, 2026: 1,247 गेंदों का सबक
फरवरी 2026 में मैंने पहली बार MCA स्टेडियम, पुणे में प्रेस पास खरीदा था। तब मैं कोथरूड के एक कमरे के फ्लैट से फ्रीलांस कर रहा था, उम्र 33 साल। भारत 105 और 107 पर ढेर हुआ, ऑस्ट्रेलिया 333 रन से जीता, स्टीव ओ'कीफ ने 12/70 लिया, स्टीव स्मिथ ने 109 बनाए। हर रिपोर्ट में वही एक वाक्य था — रैंक टर्नर।
मैंने पूरे मैच की 1,247 गेंदें हाथ से लॉग कीं। पैटर्न बाद में आया। भारत के 20 में से 14 विकेट ऐसी गेंदों पर गए जो किसी भी सतह पर स्टंप्स पर लगतीं। टर्न दो सत्रों में सिमटा हुआ था, पूरे मैच में फैला नहीं था।
यह लेजर का सबक था, और वह आज की फाइल पर सीधे लागू होता है: जब आपका कच्चा लॉग लोकप्रिय कथा से न मिले, तो लॉग छापिए, कथा नहीं। Stage-1 ने उलटा किया। उसने कथा ('यह लेख क्रिकेट-एशिया है') छाप दी और लॉग (खाली सूची) दबा दिया।
एडिलेड, 2026: चार दिन की चुप्पी
दिसंबर 2026। न ट्रैवल, न भीड़, न प्रेस बॉक्स। मैंने लैपटॉप पर सुबह 4:30 IST पर एडिलेड देखा। भारत 244 और 36 पर सिमटा, ऑस्ट्रेलिया 8 विकेट से जीता। जब लोग एक घंटे में रिपोर्ट कर रहे थे, मैंने चार दिन लिखने से इनकार किया। दूसरी पारी की सभी 128 गेंदें कोड कीं, हर आउट को मोड, लाइन और बॉल-काउंट के हिसाब से टैग किया।
लेजर ने दिखाया: 27 रन पर 9 विकेट, 12.1 ओवर के भीतर; उनमें छह चौथे स्टंप की लाइन पर।
उस चार दिन की चुप्पी को आज भी मैं अपने करियर का सबसे उपयोगी फैसला मानता हूं। वह चुप्पी बेईमानी नहीं थी, वह प्री-रजिस्टर्ड अनुशासन था — मैंने पहले तय कर लिया था कि क्या सबूत मिलने पर मैं छापूंगा।
आज की खाली फाइल उसी अनुशासन की उलटी तस्वीर है। किसी ने चार दिन नहीं रोका। किसी ने यह तय नहीं किया कि 'सबूत' कैसा दिखेगा। प्रणाली ने शून्य पर भी हरी झंडी दिखा दी, क्योंकि हरी झंडी का नियम शून्य पर लिखा ही नहीं गया था।
मॉस्को की प्रतिनियुक्ति: दूरी पढ़ना
जून 2026। पूरी न्यूज़रूम वर्ल्ड कप पर थी, मेरा क्रिकेट डेस्क अंधेरे में था, और मुझे फुटबॉल पर भेज दिया गया — ऐसा खेल जो मैंने कभी कवर नहीं किया था। मैंने StatsBomb के खुले डेटासेट पर सभी 64 मैचों का expected-goals मॉडल बनाया। दो बातें निकलीं। मेरा मॉडल क्रोएशिया की इंग्लैंड पर 2-1 सेमीफाइनल जीत को 48/52 का सिक्का उछाल बता रहा था। और — zyादा जरूरी — game state और शॉट कॉन्टेक्स्ट के बिना xG एक झूठ है। मुझे तीन हफ्ते लगे उसे दोबारा बनाने में।
फुटबॉल डेस्क पर प्रतिनियुक्ति के दौरान मैंने दूरी पढ़ना सीखा: किसी संख्या का मतलब उसके संदर्भ से बनता है, संख्या से नहीं।
यही नियम अब लागू होता है। एक JSON ऑब्जेक्ट जिसमें आठ में सात फील्ड N/A हैं, वह 87.5% सफलता नहीं है। वह एक ऐसा मॉडल है जिसने खालीपन को एक श्रेणी बना दिया और फिर उसी श्रेणी पर भरोसा कर लिया।
`cricket_asia` को आधार मान लेने की गलती
अब आता है वह टैग, जो अकेला भरा हुआ था। cricket_asia।
इसे एक तथ्य की तरह पढ़ना सबसे आसान और सबसे महंगी गलती है। डोमेन टैग रूटिंग का साधन है, विश्लेषण का आधार नहीं। जब बॉडी टेक्स्ट खाली हो, तो टैग के पास अर्थ निकालने का कोई कच्चा माल नहीं बचता। उस हालत में cricket_asia दो में से एक चीज है: या तो अपस्ट्रीम का डिफ़ॉल्ट मान, या किसी कमजोर वर्गीकरण का अवशेष। दोनों हालत में वह सबूत नहीं, अनुमान है।
और यहीं से वह पुरानी आदत शुरू होती है जिसे मैं अपने क्षेत्र की सबसे साफ-सुथरी बीमारी मानता हूं: खाली जगह को कथा से भर देना।
एक खाली स्लॉट, एक टैग, और एक ब्रॉडकास्ट-युग की स्मृति — बस इतना काफी है कि कोई लेखक 'एशिया कप की तैयारी' वाला पैराग्राफ लिख डाले। किसी टीम का नाम आ जाए, कोई स्कोर आ जाए, कोई कोट आ जाए। वह पैराग्राफ पढ़ने में सही लगेगा और होगा पूरी तरह मनगढ़ंत।
खेल पत्रकारिता में यह जोखिम दूसरे बीट्स से ज्यादा है, क्योंकि क्रिकेट की सार्वजनिक स्मृति बहुत घनी है। लोगों को पता है कि एशिया कप कब होता है, कौन-सी टीमें खेलती हैं, कौन-सा बल्लेबाज फॉर्म में था। इसलिए एक भरा हुआ, आत्मविश्वास से भरा पैराग्राफ तुरंत विश्वसनीय लगता है। संरचना और सत्य अलग-अलग चीजें हैं, पर पाठक की आंख इन्हें अलग नहीं करती।
मेरी अपनी प्री-रजिस्टर्ड गलती-दर इस मामले में साफ है: अगर मैं उस खाली इनपुट पर क्रिकेट लेख लिखता हूं, तो उसमें तथ्य-त्रुटि की दर 100% होगी, भले ही वाक्य-रचना 95% साफ हो। इसलिए उस रास्ते पर मैं एक कदम भी नहीं चलता।
चुप्पी को तथ्य मानने की कला
Stage-1 का दोष यह नहीं कि उसने कुछ नहीं निकाला। दोष यह है कि उसने न निकलने को एक सामान्य आउटपुट में बदल दिया।
मान लीजिए — और मैं इसे स्पष्ट रूप से परिकल्पना कह रहा हूं, आंकड़ा नहीं — किसी क्रिकेट कंटेंट पाइपलाइन में 400 में से एक पेज साइलेंट फेल होता है। महीने के 3,000 आइटम पर यह महीने में सात-आठ खाली शीट बनते हैं। साल में सौ के आसपास। हर खाली शीट के आगे एक लेखक बैठता है जिसे लगता है कि इनपुट 'पतला' है, और वह अपनी समझ से उसे भर देता है। सौ संभावित मनगढ़ंत क्रिकेट स्टोरीज़ सालाना — यह किसी भी न्यूज़रूम के लिए ठीक नहीं है।
समाधान तकनीकी रूप से छोटा है: एक हार्ड गेट। जब len(information_points) == 0 हो या len(body_text) < N हो, तो स्थिति EXTRACTION_FAILED चिह्नित हो और आगे की प्रक्रिया वहीं रुके। साथ में कच्चा HTML स्नैपशॉट संभालकर रखा जाए, ताकि बाद में यह पता चल सके कि पेज में माल था ही नहीं या माल था और पार्स नहीं हुआ।
यह क्रिकेट स्कोरिंग के सबसे पुराने नियम जैसा है: गेंदबाज ने ओवर फेंका और बल्लेबाज ने नहीं खेला — तो अंपायर 'कुछ नहीं हुआ' नहीं लिखता। वह लिखता है कि गेंद फेंकी गई और बल्लेबाज ने नहीं खेला। दोनों घटनाएं दर्ज होती हैं, क्योंकि दोनों घटनाएं हैं।
उलटा कोण: एक्सट्रैक्शन सफल होता भी, तो क्या मिलता?
यहां मुझे अपनी ही तर्क-रेखा के खिलाफ जाना है, क्योंकि सबसे आसान नतीजा यह निकालना है कि 'पाइपलाइन ठीक कर दो, सब ठीक हो जाएगा'। मुझे यह पूरा भरोसा नहीं है।
अगर कल वही पेज सही से पार्स हो जाता और Stage-1 बीस सूचना-बिंदु लौटा देता, तो भी हमें क्या मिलता? संभवतः एक मैच रिपोर्ट, एक स्कोर, दो कोट, एक मौसम-वाक्य। यानी वही चीजें जो ब्रॉडकास्ट पहले ही बता चुका है। वह जानकारी जो असल में मैच तय करती है — कौन-सी लाइन पर कितनी गेंदें फेंकी गईं, किस चरण में कौन-सा फील्ड लगा था, किस गेंदबाज ने कितने ओवर लगातार डाले — प्रायः उस लेख में होती ही नहीं।
क्रिकेट की सच्ची जानकारी मैदान पर नहीं, उन जगहों पर मौजूद है जहां कैमरा या कमेंट्री बॉक्स नहीं जाता। इसीलिए एक बेहतरीन एक्सट्रैक्शन भी अगर स्रोत-लेख ब्रॉडकास्ट की भाषा में लिखा गया है, तो वह उसी भाषा की गूंज बनेगा।
लेजर गेंद दर्ज करता है; वह खामोशी दर्ज नहीं कर सकता। दबाव, थकान, डर, और 12.1 ओवर में नौ विकेट के बीच का वह सन्नाटा — ये किसी सूचना-बिंदु की सूची में नहीं आते। जब मैंने एडिलेड की 128 गेंदें कोड कीं, तो लेजर ने मुझे लाइन और लेंथ बताई। यह नहीं बताया कि ड्रेसिंग रूम में क्या चल रहा था। मुझे वह सीमा लिखनी पड़ी, और आज भी लिखता हूं।
तो दूसरा उलटा कोण यह है: शायद असली समस्या खाली एक्सट्रैक्शन नहीं, बल्कि उस पर बनी हुई वह अपेक्षा है कि हर क्रिकेट लेख से पर्याप्त विश्लेषण निकलेगा। बहुत सारे लेख ऐसे ही होते हैं — स्कोरकार्ड का गद्य-रूपांतरण। उन पर साठ प्रतिशत टैक्टिकल विश्लेषण खड़ा करना, अपने आप में एक काल्पनिक निर्माण है।
रणजी वाली बात, जो यहां भी लागू है
मैं IPL नीलामी के दौर में बड़ा हुआ। उस दौर ने एक आदत बनाई: हर प्रदर्शन का दाम तय हो जाता है। और मैंने उलटी दिशा में देखना सीखा — रणजी ट्रॉफी की वह सीज़न-किताब, जहां स्काउटिंग डेटा पतला है, कवरेज स्कोरकार्ड-वायर तक सीमित है, और चयन के असली फैसले वहीं होते हैं।
आज की खाली फाइल उसी तरह की अनदेखी है, बस अलग जगह पर। यहां भी कोई लेख था, कोई पेज था, किसी ने कुछ लिखा था। पाइपलाइन ने उसे नहीं देखा और सिस्टम ने 'ठीक है' कह दिया। रणजी के सैकड़ों प्रदर्शन भी इसीलिए कभी मापे नहीं गए कि उन्हें मापने का कोई सिस्टम ही नहीं बना। मापने की चूक और दर्ज न करने की चूक, दोनों एक ही परिवार की हैं।
IPL रिटेंशन सूचियों को उलटा पढ़ने की मेरी आदत यहीं से आई: किस प्रदर्शन का दाम चुकाया गया और किसे कभी मापा ही नहीं गया। आज के मामले में सवाल यही है, बस स्केल बदला हुआ — कितने क्रिकेट आइटम हर महीने इस तरह 'मापे' जाते हैं कि कोई उन्हें देखता ही नहीं, पर रिपोर्ट में वे पूरे दिखते हैं।
मैच खत्म हुआ, डेटा अभिलेखागार में खेलता रहा
यह मामला तकनीकी लगता है, पर इसका असर पूरी क्रिकेट कवरेज की विश्वसनीयता पर पड़ता है। पाठक जब तीन अलग-अलग जगहों पर एक ही मैच का अलग-अलग विवरण पढ़ता है, तो वह यह नहीं सोचता कि किसी की एक्सट्रैक्शन फेल हुई थी। वह यह सोचता है कि क्रिकेट मीडिया लापरवाह है। और उस नतीजे तक पहुंचने में उसे गलत नहीं ठहराया जा सकता।
इसलिए यहां दांव सिर्फ एक खाली JSON का नहीं है। दांव यह है कि क्या हमारे सिस्टम खालीपन के प्रति ईमानदार हैं। जो प्रणाली अपनी नाकामी को 'Unclassified' जैसे विनम्र शब्द में लपेटकर आगे भेज देती है, वह अगली बार भी वही करेगी — और अगली बार किसी लेखक को पता भी नहीं चलेगा कि उसके हाथ में कुछ नहीं था, और वह अपनी कल्पना से उसे भर देगा।
आगे का संकेत
अगर मुझे यह तय करना हो कि यह पाइपलाइन भरोसे लायक है या नहीं, तो मेरा प्रकाशन-मानक पहले से तय होगा: सौ नमूनों में शून्य साइलेंट-सक्सेस, और हर फेलियर पर एक सुरक्षित HTML स्नैपशॉट। यह मानक पूरा होते ही मैं छापूंगा, पूरा न हो तो चुप रहूंगा और सीमा लिखूंगा।
असली सवाल अगले दौर का यह है — जब कोई सिस्टम कहता है कि उसने सब कुछ पढ़ लिया और कुछ नहीं मिला, तो क्या हम उसकी बात मान लेंगे, या उससे उसका लेजर मांगेंगे?